EHR2Path：从多模态电子健康记录中对患者长期路径进行可扩展建模
机器学习
2026-03-26 v2 计算与语言
摘要
预测患者病情的演变，包括可能的恶化、恢复、治疗需求和护理转变，能够支持更具前瞻性和个性化的护理，但需要建模来自多种异构且具有时序性的电子健康记录（EHR）数据。然而，现有方法通常仅聚焦于孤立的预测任务、狭窄的特征空间或短时序上下文窗口，限制了其对完整患者路径建模的能力。为填补此差距，我们引入 EHR2Path，一个用于从常规 EHR 中预测和模拟完整住院患者路径的多模态框架。EHR2Path 将多样化的临床输入转换为统一的时序表示，使其能够建模更广泛的患者信息，包括放射学报告、医生笔记、生命体征、药物和实验室模式以及密集的病房记录。为支持长时间的临床历史和广泛的特征空间，我们引入一种掩码汇总瓶颈，将长期历史压缩为紧凑且任务优化的摘要标记，同时保留最近的上下文，从而提升性能和标记效率。在 MIMIC-IV 上的回顾性实验中，EHR2Path 实现了下一步路径预测和完整住院轨迹的迭代模拟，同时在直接可比的任务上超越了强大基线。这些结果为从常规 EHR 中进行可扩展的路径级建模奠定了基础，支持 anticipatory 临床决策。我们的代码已公开于 https://github.com/ChantalMP/EHR2Path。
引用
@article{arxiv.2506.04831,
title = {EHR2Path: Scalable Modeling of Longitudinal Patient Pathways from Multimodal Electronic Health Records},
author = {Chantal Pellegrini and Ege Özsoy and David Bani-Harouni and Matthias Keicher and Nassir Navab},
journal= {arXiv preprint arXiv:2506.04831},
year = {2026}
}